时间序列分析最顶流的 Python 库

时间序列分析是一种强大的工具，可用于从数据中提取有价值的信息并对未来事件进行预测。它可用于识别趋势、季节性模式和变量之间的其他关系。时间序列分析还可用于预测未来事件，例如销售、需求或价格变动。

如果你在 Python 中处理时间序列数据，可以使用许多不同的库。在本文中，我们将不分先后地回顾 Python 中最流行的库。

1、Sktime

Sktime 是一个用于处理时间序列数据的 Python 工具包。它提供了一组用于处理时间序列数据的工具，包括用于处理、可视化和分析数据的工具。Sktime 被设计为易于使用和可扩展，因此可以轻松实现新的时间序列算法。

Sktime 提供了对 scikit-learn API 的扩展。它包括所有必要的方法和工具，用于有效解决涉及时间序列回归、预测和分类的问题。该库包含专门的机器学习算法以及时间序列的转换方法。这些是任何其他工具库所不具备的功能。

sktime 还提供相关库的接口，例如 scikit-learn、statsmodels、tsfresh、PyOD 和 fbprophet等。

例子：

from sktime.datasets import load_airline
from sktime.forecasting.model_selection import temporal_train_test_split
# from sktime.utils.plotting.forecasting import plot_ys
y = load_airline()
y_train, y_test = temporal_train_test_split(y)
plt.title('Airline Data with Train and Test')
y_train.plot(label = 'train')
y_test.plot(label = 'test')
plt.